تشخیص نوع فعالیت های انسان بر اساس داده های مفصلی سنسور کینکت، با استفاده از شبکه های عصبی کانولوشنال

با توجه به پیشرفت روز افزون تکنولوژی و سپردن امور به دست ماشینهای هوشمند، کاربردهای زیادی را میتوان برای اهمیت تشخیص فعالیتهای انسان توسط ماشینهای هوشمند نام برد. برای مثال در حوزه امنیت، وجود سیستم-های امنیتی و مراقبتی مجهز به سامانه تشخیص فعالیتهای انسان و حتی پیش بینی کننده حرکت بعدی انسان را میتوان نام برد. در این میان وجودیک روش دقیق و بدون خطا شدیدا0 احساس میگردد. این روشها بایستی توانایی اصلاح خود را نیز داشته باشند تا خود را با شرایط محیطی وفق دهند و در همه شرایط کارایی خود را حفظ کنند. به عبارتی عدم وابستگی آنها به شرایط محیطی و فیزیکی در الویت میباشدمثلا0، در تشخیص فعالیت انسان، اندازه بدن انسان و سرعت انجام کار توسط وی و نیز شرایط نوری محیط، نبایستی در تشخیص دقیق نوع فعالیت خللی وارد کنند. سیستمهای با قابلیت تشخیص فعالیتهای انسان نیز نمونه ای از سیستمهای فراگیر اطلاعاتی هستند که امکان جمع آوری داده های مربوط به وضعیتهای انسان در کنار تشخیص نوع فعالیتهای روزانه را دارند. تشخیص فعالیتها از طریق بررسی الگوهای موجود در داده های دریافتی از سنسورهای مختلف مانند سنسور کینکت (KINECT) مایکروسافت امکان پذیر میباشد. از مزایای خوب این سنسور میتوان به عدم نیاز سنسور به نور در محیط تاریک نام برد چراکه از دریافت داده های مفصلی استفاده مینماید.تمام مواردی که ذکر گردید، اموری هستند که در آنها لازم است نوع فعالیت انجام شده توسط انسان با استفاده از روشهای هوشمند مورد ارزیابی قرار گیرند. در این پژوهش و روش پیشنهادی ارایه شده در آن، ابتدا سیگنالهای دریافتی از سنسور کینکت با استفاده از روش پیشنهادی، پیش پردازش شده و به صورت تصویر رنگی درآمده و سپس تصویر به شبکه عصبی مصنوعی کانولوشنالی که طراحی میگردد وارد میشود و از این طریق نوع فعالیت مشخص می گردد. نتایج حاصل از این پژوهش نشان میدهد که روش پیشنهادی ما در مقایسه با نتایج مطرح شده در مقالات، بسیار کارآمدتر بوده و دارای دقت بیشتری در تشخیص نوع فعالیت است و میتواند جایگزین روشهای دیگر قرار گیرد.

کلیدواژه ها:

شبکه عصبی کانولوشنال ، سنسور کینکت ، داده های مفصلی ، یادگیری عمیق